scipy.stats._result_classes.OddsRatioResult.

confidence_interval#

OddsRatioResult.confidence_interval(confidence_level=0.95, alternative='two-sided')[Quelle]#

Konfidenzintervall für das Chancenverhältnis.

Parameter:
confidence_level: float

Gewünschte Konfidenzstufe für das Konfidenzintervall. Der Wert muss als Bruch zwischen 0 und 1 angegeben werden. Standard ist 0,95 (bedeutet 95%).

alternative{‘zweiseitig’, ‘kleiner’, ‘größer’}, optional

Die alternative Hypothese des Hypothesentests, dem das Konfidenzintervall entspricht. Das heißt, nehmen wir an, die Nullhypothese lautet, dass das wahre Chancenverhältnis gleich OR ist und das Konfidenzintervall (low, high) ist. Dann sind die folgenden Optionen für alternative verfügbar (Standard ist „two-sided“)

  • ‘two-sided’: Das wahre Chancenverhältnis ist nicht gleich OR. Es gibt Belege gegen die Nullhypothese auf dem gewählten confidence_level, wenn high < OR oder low > OR.

  • ‘less’: Das wahre Chancenverhältnis ist kleiner als OR. Das low Ende des Konfidenzintervalls ist 0 und es gibt Belege gegen die Nullhypothese auf dem gewählten confidence_level, wenn high < OR.

  • ‘greater’: Das wahre Chancenverhältnis ist größer als OR. Das high Ende des Konfidenzintervalls ist np.inf und es gibt Belege gegen die Nullhypothese auf dem gewählten confidence_level, wenn low > OR.

Rückgabe:
ciConfidenceInterval Instanz

Das Konfidenzintervall, dargestellt als Objekt mit den Attributen low und high.

Hinweise

Wenn kind 'conditional' ist, sind die Grenzen des Konfidenzintervalls die bedingten „exakten Konfidenzgrenzen“, wie von Fisher beschrieben [1]. Das bedingte Chancenverhältnis und das Konfidenzintervall werden auch in Abschnitt 4.1.2 des Textes von Sahai und Khurshid behandelt [2].

Wenn kind 'sample' ist, wird das Konfidenzintervall unter der Annahme berechnet, dass der Logarithmus des Chancenverhältnisses normalverteilt ist mit einer Standardabweichung gegeben durch

se = sqrt(1/a + 1/b + 1/c + 1/d)

wobei a, b, c und d die Elemente der Kontingenztafel sind. (Siehe zum Beispiel [2], Abschnitt 3.1.3.2, oder [3], Abschnitt 2.3.3).

Referenzen

[1]

R. A. Fisher (1935), The logic of inductive inference, Journal of the Royal Statistical Society, Vol. 98, No. 1, S. 39-82.

[2] (1,2)

H. Sahai und A. Khurshid (1996), Statistics in Epidemiology: Methods, Techniques, and Applications, CRC Press LLC, Boca Raton, Florida.

[3]

Alan Agresti, An Introduction to Categorical Data Analysis (zweite Auflage), Wiley, Hoboken, NJ, USA (2007).